트레이딩의 머신러닝: 이론, 모델, 실전 및 알고리즘 트레이딩 - 페이지 949

새 코멘트
 
산산이치 포멘코 :

분류의 추세는 또 무엇입니까? 클래스 예측 오류는 추세를 깨고 추세에 아무것도 남지 않습니다.

글쎄요, 저는 입력만 정의합니다. 출력은 MO의 결과가 아니라 트롤에 의해 처리됩니다.

 
산산이치 포멘코 :

물론, 전나무!

다른 무엇?

이제 계산하겠습니다.

관심 갖고 기다리고 있습니다!

 
알렉세이 비아즈미킨 :

관심 갖고 기다리고 있습니다!

여기. 

Number of observations used to build the model: 20276
Missing value imputation is active.

Call:
 randomForest(formula = as .factor(arr_Buy) ~ .,
              data = crs$dataset[crs$sample, c(crs$ input , crs$target)],
              ntree = 500 , mtry = 7 , importance = TRUE , replace = FALSE , na.action = randomForest::na.roughfix)

               Type of random forest: classification
                     Number of trees: 500
No. of variables tried at each split: 7

        OOB estimate of  error rate: 17.76 %
Confusion matrix:
     - 1      0      1 class .error
- 1 4429 1157    84    0.2188713
0    498 8288    501    0.1075697
1    102 1259 3958    0.2558752

Variable Importance
===================

                                - 1      0      1 MeanDecreaseAccuracy MeanDecreaseGini
arr_LastBarPeresekD_Down_M15 56.11 64.27 64.49                  69.56            211.39
arr_DonProc_M15               60.79 63.68 57.48                  67.77            298.46
Levl_High_H4                 59.69 61.76 57.36                  69.74            195.16
Levl_Close_W1                 54.44 58.90 57.08                  64.35            234.41
arr_Regresor                 56.51 55.71 56.09                  61.40            212.89
Levl_Low_H4                   50.14 52.47 55.56                  57.38            203.09
Levl_Low_D1                   51.00 50.52 55.24                  57.91            192.80
arr_Den_Nedeli               47.86 50.18 55.22                  53.55            214.23
arr_DonProcVisota             53.91 58.53 55.15                  58.61            305.84
Levl_Close_MN1               51.68 51.71 54.70                  58.12            228.30
Levl_Close_D1                 53.13 51.06 51.83                  57.80            267.86
arr_LastBarPeresekD_Up_M15   52.46 52.45 49.94                  56.53            218.22
arr_DonProc                   47.96 69.45 49.35                  60.33            322.91
Levl_Support_D1               52.28 52.42 49.21                  56.50            253.82
Levl_Support_W1               47.90 50.98 47.38                  53.37            219.35
Levl_High_W1                 48.68 47.64 47.35                  52.45            144.54
Levl_Low_H1                   46.62 53.94 46.72                  54.10            208.75
Levl_Support_MN1             41.67 44.57 46.52                  46.83            198.77
arr_TimeH                     44.65 46.73 45.21                  47.78            183.06
Levl_High_D1                 43.69 42.56 45.17                  46.79            169.77
Levl_first_H4                 41.65 44.09 43.92                  46.57            121.20
Levl_High_MN1                 37.88 40.27 42.96                  42.52            142.87
X_USE_Filter_MA_02           38.67 43.46 42.57                  49.19              84.23
Levl_first_H1                 38.36 40.30 40.51                  44.00            135.97
Levl_Low_MN1                 36.20 39.33 39.59                  40.68            149.38
Levl_High_H1                 36.34 39.67 39.02                  40.28            196.14
arr_LastBarPeresekD_Down     40.51 39.81 37.87                  43.21            232.92
Levl_first_D1                 33.94 36.19 36.47                  38.99              78.20
Levl_first_MN1               30.33 33.31 35.62                  34.03              99.66
arr_LastBarPeresekD_Up       32.66 40.83 35.21                  38.65            238.36
Levl_Low_W1                   33.29 34.25 35.02                  35.13            175.21
X_Use_Donchianf               31.06 34.26 33.54                  36.21              97.49
Levl_Support_H4               33.55 38.03 33.15                  36.91            248.48
Use_Filter_MA_Prirost         31.89 31.93 31.42                  38.92              63.63
Levl_Close_H1                 32.25 34.31 31.06                  34.08            242.26
X_Use_Filter_Fibo_in_Day     29.56 30.80 30.99                  36.89              71.70
Levl_Close_H4                 34.27 33.26 30.79                  34.17            272.58
X_USE_Filter_MA               25.90 31.13 29.25                  33.87              66.11
X_Use_BarPeresek_iMA_TF       26.07 23.12 28.88                  32.17              31.87
Levl_first_W1                 26.50 28.50 27.21                  28.70              83.33
arr_Vektor_Week               25.93 25.76 26.68                  29.62              44.61
arr_Vektor_Don_M15           29.11 28.28 26.27                  31.15              53.36
arr_RSI_Open_H1               30.82 29.38 25.75                  36.56              45.64
Levl_Support_H1               26.88 27.87 25.56                  27.72            215.06
arr_Vektor_Day               22.67 24.33 24.70                  26.31              43.21
arr_Vektor_Don               23.32 25.04 21.89                  25.40              65.35
arr_BB_Up                     10.94 11.71 16.86                  15.05              21.55
arr_BB_Center                 16.63 17.40 16.01                  17.13              58.55
X_Use_ChanelEvaProc           13.36 17.13 12.74                  23.63            106.51
arr_RSI_Open_M1               8.95 11.16 12.15                  13.34              33.44
arr_BB_Down                   13.49 13.31    6.84                  13.36              24.11
USE_Filter_MA_Donchian         3.60 - 1.85    5.00                  3.82              2.32


필요한 나무의 수가 증가했습니다. 확실히 100개가 아닙니다.


오류를 올바르게 계산하지 않습니다. 이전보다 열악하지만 여전히 매우 괜찮은 열로 계산해야 합니다.

 
Pred_027_2016_H2_T.csv [validate](counts)의 Random Forest 모델에 대한 오류 행렬:

예측
실제 -1 0 1 오류
-1 20157 5167 292 21.3
0 2222 37861 2060 10.2
1 373 5502 17608 25.0

Pred_027_2016_H2_T.csv [validate](비율)의 Random Forest 모델에 대한 오류 행렬:

예측
실제 -1 0 1 오류
-1 22.1 5.7 0.3 21.3
0 2.4 41.5 2.3 10.2
1 0.4 6.0 19.3 25.0

전체 오차: 17.1%, 평균 클래스 오차: 18.83333%


Pred_027_2016_H2_T.csv [test](counts)의 Random Forest 모델에 대한 오류 행렬:


예측

실제 -1 0 1 오류

-1 19963 5131 328 21.5

0 2259 37753 2104 10.4

1 404 5703 17597 25.8


Pred_027_2016_H2_T.csv [테스트](비율)의 랜덤 포레스트 모델에 대한 오류 행렬:


예측

실제 -1 0 1 오류

-1 21.9 5.6 0.4 21.5

0 2.5 41.4 2.3 10.4

1 0.4 6.3 19.3 25.8


전체 오차: 17.4%, 평균 클래스 오차: 19.23333%


오류의 놀라운 안정성은 매우 고무적입니다.

 
산산이치 포멘코 :

여기.


필요한 나무의 수가 증가했습니다. 확실히 100개가 아닙니다.


오류를 올바르게 계산하지 않습니다. 이전보다 열악하지만 여전히 매우 괜찮은 열로 계산해야 합니다.

고맙습니다! 이것은 예측 변수 세트가 그렇게 나쁘지 않다는 것을 의미하며 확장하는 것이 합리적입니다!


산산이치 포멘코 :

오류의 놀라운 안정성은 매우 고무적입니다.

아니면 아주 전형적인 샘플일까요? 어떻게든 2015년부터 파일에 대해 배우고 2016년을 확인하는 것이 필요하다고 생각합니다. 말하자면 반대 방향의 글로벌 추세가 있기 때문에 시스템이 그곳에서 그렇게 효율적으로 작동할 수 없을 것이라고 생각합니다.

음, 다른 방법을 알고 싶은데요... 맥심의 숲이 여기에서 형성 논리면에서 동일하다는 것이 흥미로운가요?

 
알렉세이 비아즈미킨 :

고맙습니다! 따라서 예측 변수 세트는 그렇게 나쁘지 않으며 확장하는 것이 합리적입니다!


아니면 아주 전형적인 샘플일까요? 어떻게든 2015년부터 파일에 대해 배우고 2016년을 확인하는 것이 필요하다고 생각합니다. 말하자면 반대 방향의 글로벌 추세가 있기 때문에 시스템이 그곳에서 그렇게 효율적으로 작동할 수 없을 것이라고 생각합니다.

음, 다른 방법을 알고 싶은데요... 맥심의 숲이 여기에서 형성 논리면에서 동일하다는 것이 흥미로운가요?

나는 위에서 썼고, 나는 반복한다:

  • 테스트 예측 능력
  • 파일을 분할하고 후반부에 오류를 확인하십시오.


추신.

예측자 등이 풍부합니다.

 
산산이치 포멘코 :

나는 위에서 썼고, 나는 반복한다:

  • 테스트 예측 능력
  • 파일을 분할하고 후반부에 오류를 확인하십시오.

모든 것이 이미 두 개의 파일로 분할된 경우 파일을 분할하는 이유는 무엇입니까? 나는 R에서 이것을 하는 방법을 모릅니다. 아무도 설명할 수 없습니다. 분명히 어리석은 것입니다.

산산이치 포멘코 :

추신.

예측자 등이 풍부합니다.

예, 그렇지 않습니다. ATS 사용을 포함하여 실제 거래에서 사용하는 것은 이것이 전부가 아닙니다.

네트워크가 역사상 최적화된 Expert Advisor를 능가할 수 있기를 진심으로 바랍니다. :)

 

어디서 그렇게 많은 평가자를 얻었습니까? 전략에 대해 수동으로 선택했습니까? 우와 :)

스캐폴딩의 논리는 +-가 같아야 합니다.

 

여기 또 다른 모델이 있습니다. 

Error matrix for the SVM model on Pred_027_2016_H2_T.csv [validate] (counts):

      Predicted
Actual   - 1      0      1 Error
    - 1 6176 18666    774    75.9
     0    2242 38585 1316    8.4
     1    1333 17683 4467    81.0

Error matrix for the SVM model on Pred_027_2016_H2_T.csv [validate] (proportions):

      Predicted
Actual  - 1      0    1 Error
    - 1 6.8 20.5 0.8    75.9
     0    2.5 42.3 1.4    8.4
     1    1.5 19.4 4.9    81.0

Overall error: 46 %, Averaged class error: 55.1

결과는 질적으로 다르지만 모델은 질적으로 다르지만 데이터에서 제대로 작동하지 않습니다.


randomForest를 염두에 둘 필요가 있습니다.

 
알렉세이 비아즈미킨 :


네트워크가 역사상 최적화된 Expert Advisor를 능가할 수 있기를 진심으로 바랍니다. :)

모든 것이 이미 두 개의 파일로 분할된 경우 파일을 분할하는 이유는 무엇입니까? 나는 R에서 이것을 하는 방법을 모릅니다. 아무도 설명할 수 없습니다. 분명히 어리석은 것입니다.

나누기 - 절대 침을 뱉지 마세요. 문제는 R에 대한 편견입니다.


네트워크가 역사상 최적화된 Expert Advisor를 능가할 수 있기를 진심으로 바랍니다. :)

왜 네트워크인가?

1...942943944945946947948949950951952953954955956...3399
새 코멘트